面向可再生太阳能驱动水处理系统大规模评估的融合中心多阶段集成方法

《Applied Soft Computing》：A Fusion-Centric Multi-Stage Ensemble Approach for Large-Scale Evaluation of Renewable Solar-Powered Water Treatment System

　　

太阳能蒸馏系统为浓盐水处理提供了一种可持续解决方案；然而，现有评估方法仍受限于方法体系碎片化、依赖单一多准则决策（MCDM）技术、对归一化与赋权策略高度敏感，以及对专家判断的强依赖。这些局限会导致排序不稳定、可扩展性下降，并产生不一致的结果，尤其是在大规模评估情境下更为突出。为弥补这些缺口，本研究提出了一种面向可再生太阳能驱动水处理系统大规模评估的融合中心多阶段集成方法。该方法被构建为一个两层级（two-tier）层次化流程。在第1层级中，采用基于熵权法（entropy-based objective weighting）的客观赋权，通过不同归一化方案、距离度量和阈值设定下的多种TOPSIS变体生成多个排序结果。随后，利用半二次规划（HQP）融合模型对这些输出进行聚合，并结合基于相关性的筛选保留排序一致的模型。在第2层级中，通过生成式人工智能辅助层次分析法（AHP-GenAI）引入主观偏好，并通过两级层次化HQP集成流程对入选模型进行融合，从而得到最终共识排序。研究采用21种太阳能蒸馏构型，并基于6项准则对所提方法进行了验证。结果表明，该方法具有较高的一致性与稳健性，证实其在减轻偏倚、提升可扩展性以及提高决策可靠性方面的有效性。

该文发表于《Applied Soft Computing》，聚焦于太阳能蒸馏系统这一可再生能源驱动水处理技术的评价方法问题。研究背景在于，淡水资源短缺与水污染加剧使安全、可负担的淡水供给成为全球性挑战，而太阳能淡化因可利用太阳辐射处理盐水或污染水，被视为环境友好型替代方案。现有太阳能蒸馏器虽然具有低成本、低环境负荷等优势，但在实际推广中仍面临产水率偏低、占地较大、结构多样且性能差异显著等问题。尤其是垂直太阳能蒸馏器（VSS）及其与其他蒸馏结构的融合设计不断出现后，如何在多种材料、几何构型、运行条件和成本—性能权衡之间进行系统、稳定且可扩展的优选，已成为核心方法学难题。

目前存在的主要问题是：第一，太阳能蒸馏系统评价本质上属于多准则决策（MCDM）问题，涉及产水率、成本、耐久性、热效率和空间占用等相互冲突的指标，单一设计难以在所有指标上同时占优，因此非支配解数量较多。第二，已有研究多采用单一层次分析法（AHP）或逼近理想解排序法（TOPSIS）及其变体，评价结果容易受到归一化方式、权重设置和专家主观判断的影响，缺乏跨模型稳健验证。第三，随着备选方案、算法设定与利益相关者视角的增加，传统MCDM方法在大规模排序场景中的一致性、可操作性与可扩展性不足。第四，尽管人工智能（AI）已用于性能预测，但尚少系统性用于辅助构建判断矩阵、缓解专家认知负担并提升主观赋权过程的一致性。正因为如此，开展一项兼顾客观数据驱动、专家知识、生成式人工智能（GenAI）支持以及多模型融合验证的研究具有明确必要性。

围绕上述问题，研究人员提出了一种以融合（fusion）为核心的多阶段集成MCDM框架，目标是面向大规模太阳能蒸馏系统评估，实现更高的稳健性、可扩展性和决策可信度。论文的关键思想在于，不再依赖单一TOPSIS或单一赋权方式，而是系统生成多种TOPSIS配置的排序结果，再通过半二次规划（HQP）进行层次式融合；同时引入AHP-GenAI，将技术专家、环境专家、财务分析人员、终端用户、政策制定者以及两个生成式人工智能代理（ChatGPT与Gemini）的偏好共同纳入主观赋权过程，最终形成共识排序。研究得出的主要结论是，该多层级融合集成方法能够在21种太阳能蒸馏构型与6项评价准则构成的大规模评估场景中获得高一致性和高稳健性结果，有效降低偏倚与方法敏感性，增强决策可靠性。其重要意义在于，为太阳能淡化系统的设计遴选提供了可操作、可扩展且方法统一的评价框架，也为融合驱动、人工智能辅助的MCDM在能源与水处理领域应用提供了理论与实践参考。

作者为完成该研究，主要采用了以下技术方法。首先，基于既有实验研究数据构建决策矩阵，样本来源为21种太阳能蒸馏构型，差异主要体现在辐照强度、织物材料、接触角与几何尺寸，并在6项关键性能准则上进行评价。其次，在第1层级使用熵权法（Entropy Method）进行客观赋权，系统组合11种归一化方案、3种距离度量以及灰色TOPSIS（Grey-TOPSIS）的10种阈值设定，形成76种TOPSIS配置并生成大规模排序结果。随后采用HQP进行排序融合，并结合相关性过滤筛选出一致性较高的模型。最后，在第2层级引入AHP-GenAI生成7组主观权重，并通过两级层次化HQP完成不同视角排序的再融合与最终共识验证。

在研究结果部分，论文首先说明了评估矩阵与方法体系的构建逻辑，即通过对太阳能蒸馏替代方案、评价准则以及多种MCDM设定进行统一组织，形成后续大规模排序和融合分析的基础。该部分的意义在于建立了一个既能反映设计差异、又能支持多算法并行评估的输入结构，为后续融合提供可比较的数据基础。

在“Tier-1 ensemble process”部分，研究人员围绕多种TOPSIS技术的融合生成初始综合排序。该阶段的核心任务是识别不同TOPSIS变体中的最优算法设定，并检验多种排序结果之间的一致性。研究人员将76种TOPSIS配置所产生的排序向量输入HQP框架进行层次式集成，再通过基于相关性的过滤保留与综合排序行为高度一致的模型。结果显示，原始76种模型中最终筛选得到28种高度一致的TOPSIS模型。这一结果说明，在大规模算法配置空间中，不同归一化、距离度量和阈值设定确实会引起排序差异，而融合与一致性筛选能够有效识别稳定排序行为，从而减少单一设定导致的偶然性和偏差。

在“Tier-2”部分，研究人员使用入选的最优TOPSIS设定和AHP-GenAI生成的主观权重，对太阳能蒸馏设计进行进一步评价。该阶段强调将客观数据驱动结果与人类—人工智能协同认知相结合。具体而言，每一组AHP-GenAI权重分别与入选TOPSIS模型结合，得到不同视角下的排序结果；之后通过两级HQP融合实现共识生成。其中，第1级融合与第1层级集成排序呈强正相关的排序向量，为每个视角得到单一集成排序；第2级再将所有视角的第1级集成排序进一步融合，产生最终共识排序。该结果表明，不同利益相关者和GenAI代理的主观偏好可以被纳入统一框架中，并通过分层融合降低个体偏好差异对最终结果的扰动。

在“Results, Discussion, and Implications”所概括的结果与讨论中，论文强调所提方法在一致性、稳健性和决策可信度方面表现突出。研究通过融合信任指标、一致性指标与共识指标，从个体层面和全局层面对排序结构进行了验证，证明最终排序不仅在方法配置变化下具有稳定性，而且能够在多主体偏好并存的情况下维持较好的协调性。这意味着，该方法并非简单地平均多个结果，而是通过优化驱动的融合策略，有选择地保留高一致性信息并抑制不稳定信息，因此更适合复杂、异质且大规模的太阳能蒸馏方案评价任务。

从论文主体内容来看，研究还对垂直太阳能蒸馏器（VSS）的发展脉络进行了较为系统的梳理，说明当前大量工作集中于冷凝板温度、表面特性、吸收材料以及多级结构耦合等方面的改进，并不断尝试将VSS与热交换器、真空管集热器、斜置灯芯结构、相变材料（PCM）以及光伏/热（PV/T）系统等进行融合，以提高热回收效率和淡水产率。这一综述部分的作用在于说明太阳能蒸馏设计本身已经进入多结构、多机制协同优化阶段，因此评价方法也必须从单一模型走向融合式、多层次、可扩展的决策支持框架。论文据此提出，从设计层面的“融合”延伸到决策层面的“融合”，是该研究的重要理论立足点。

讨论部分的核心观点在于，现有单一MCDM方法难以保证在复杂太阳能蒸馏评价中的结果稳定性，而本文提出的融合中心多层级HQP集成方法则在三个层面上弥补了这一不足：其一，通过熵权法实现大规模算法评估中的客观赋权，降低人为偏差；其二，通过AHP-GenAI实现主观偏好的结构化表达，提升面向多利益相关者场景的适用性；其三，通过两层级HQP融合与相关性过滤，实现从算法配置筛选到最终共识生成的全流程稳健整合。论文因此强调，该方法不仅可用于太阳能蒸馏系统评价，也对其他存在多准则冲突、方法敏感性强且需要大规模方案筛选的工程决策问题具有启发意义。

研究结论部分可译为：本研究提出了一种以融合为中心、可扩展的多层级集成智能方法，用于太阳能蒸馏构型的评估，该方法整合了大规模排序生成、生成式人工智能辅助专家建模以及层次化融合技术。太阳能蒸馏技术利用太阳能净化含盐或受污染水体，因此在缓解淡水短缺、特别是干旱与偏远地区的供水问题中具有重要作用。针对太阳能蒸馏设计多样、评价结果易受赋权与方法选择影响的问题，所提出框架通过将客观熵权、AHP-GenAI主观偏好以及HQP多层融合相结合，提升了排序结果的一致性、稳健性与可扩展性。基于21种太阳能蒸馏构型和6项评价准则的验证结果表明，该方法能够有效减轻偏倚、提高决策可靠性，并为复杂可再生能源驱动水处理系统的大规模评价提供统一而可靠的决策支持路径。